CN115827579A - 一种分布式储能信息化管控与运营平台架构 - Google Patents

Abstract

本发明公开了属于新能源技术领域的一种分布式储能信息化管控与运营平台架构。该架构的基础设备层包括电池单元、PCS、光伏发电设备、报警器、消防系统和温度传感器；数据采集与接入层包括传感器、BMS、交换机、IO与串口装置、数据接入规范和交流箱测控装置；数据存储与管理层包括数据整编分系统、数据融合分系统和资源管理分系统；数据服务层包括数据特征提取与融合、优化调度、时间序列预测、异常检测和迁移学习；业务逻辑层包括设备运行状态监测、负荷预测、功率预测、能源协同调控、运营数据统计分析和安全事件感知预警。本发明能够提升分布式储能系统的能源利用率、可靠性与经济性。

Description

一种分布式储能信息化管控与运营平台架构

技术领域

本发明涉及新能源技术领域，尤其涉及一种分布式储能信息化管控与运营平台架构。

背景技术

分布式储能系统作为以新能源为主体的新型电力系统构建过程中的重要支撑技术，在提高供电可靠性、提升电能质量、促进可再生能源消纳等应用中具有巨大发展潜力。对分布式储能系统潜在价值的充分挖掘，有赖于有效地采用信息化技术，实现对海量分散的储能设备的智能管控。

目前的研究主要集中在对储能电池本体技术、系统集成技术。然而，分布式储能节点数量众多，时空分散，在持续运行过程中，产生海量运行数据。将各储能节点独立或在特定区域内进行管控，无法有效实现对储能资源的高效调配与运营。并且，对于分布式储能场景下的智能化管控平台总体架构的设计较少，多数研究和技术工作主要围绕少数具体需求开展，缺乏对分布式储能综合管控平台的架构设计，因此对分布式储能场景下自底层设备至顶层应用不同层次的关联性、顶层应用不同任务之间的关联性未进行充分挖掘。

另外，分布式储能场景下缺少一种信息化管控与运营平台来处理底层设备的控制与对上层数据服务应用的支持；分布式储能系统信息化管控运营场景中的安全保障需求缺少有效保障；分布式储能场景下存在的信息交互与共享程度低会带来“信息孤岛”问题。为此，需要一种分布式储能信息化管控与运营平台架构，以满足包括分布式储能数据采集汇聚、存储管理、安全保障、智能分析与管控在内的一体化功能。

发明内容

本发明的目的是提出一种分布式储能信息化管控与运营平台架构，其特征在于，所述架构包括基础设备层、数据采集与接入层、数据存储与管理层、数据服务层和业务逻辑层，且每层均设置安全保障和数据资产管理；

所述基础设备层包括电池单元、PCS、光伏发电设备、报警器、消防系统和温度传感器；

所述数据采集与接入层包括传感器、BMS、交换机、IO与串口装置、数据接入规范和交流箱测控装置；

所述数据存储与管理层包括数据整编分系统、数据融合分系统和资源管理分系统；

所述数据服务层包括数据特征提取与融合、优化调度、时间序列预测、异常检测和迁移学习；

所述业务逻辑层包括设备运行状态监测、负荷预测、功率预测、能源协同调控、运营数据统计分析和安全事件感知预警。

所述数据存储与管理层的数据包括事务性SQL数据、NOSQL表格类数据、时序数据和日志型数据。

所述安全保障包括电气安全评估、消防安全评估、入侵检测、注入攻击检测、访问控制、加密机制、安全态势感知和用户权限管理；

所述数据资产管理包括数据标准管理、数据质量管理、数据资源目录、数据生命周期、数据权限管理、数据处理清洗、专家规则库管理和算法模型库管理。

所述业务逻辑层中负荷预测、功率预测和能源协同调控具体包括以下步骤：

步骤A1：选择目标储能节点，遍历周边储能节点；

步骤A2：对目标储能节点进行目标模型训练，得到专用模型，并进行相关性计算；同时判断是否遍历了全部节点，若否，则一方面进行数据汇聚，训练通用模型，另一方面选择相关性计算策略进行相关性计算；若是，则存储最终模型；

步骤A3：判断步骤A2计算的相关性是否超过阈值；若是，则对步骤A2训练后的通用模型进行初始化；若否，则转到步骤A2中继续判断是否遍历了全部节点，同时进行模型汇聚；

步骤A4：训练基于关联数据源的预测模型，将训练得到的预测模型进行模型汇聚，存储最终模型。

所述业务逻辑层中设备运行状态监测和安全事件感知预警具体包括以下步骤：

步骤B1：输入实时储能设备运行数据和历史储能设备运行数据；

步骤B2：针对实时储能设备运行数据进行异常状态检测；针对历史储能设备运行数据判断迭代次数是否达到上限，若是，则直接得到无监督异常检测模型，并训练有监督异常检测模型，若否，则设置无监督异常检测算法和阈值，对候选异常数据进行排序和人工标注，扩充异常状态标签数据，再重新针对历史储能设备运行数据判断迭代次数是否达到上限；

步骤B3：根据步骤B2中得到的无监督异常检测模型和训练后的有监督异常检测模型，设置异常状态判定策略，再进行异常状态检测。

本发明的有益效果在于：

1、本发明架构能够处理底层设备的控制与对上层数据服务应用的支持，增强了分布式储能系统信息化管控运营场景中的有效安全保障，解决了分布式储能场景下存在的信息交互与共享程度低所带来的“信息孤岛”问题；

2、本发明能够利用迁移学习技术提高平台的预测效率，并能够提升分布式储能系统的能源利用率、可靠性与经济性。

附图说明

图1为本发明分布式储能信息化管控与运营平台架构图；

图2为面向分布式储能系统能量预测与调控的流程图；

图3为面向分布式储能系统状态监测与态势感知的流程图。

具体实施方式

本发明提出一种分布式储能信息化管控与运营平台架构，下面结合附图和具体实施例对本发明做进一步说明。

图1为本发明分布式储能信息化管控与运营平台架构图，平台涉及从底层设备到顶层业务应用的不同层面的关键技术，包括基础设备层、数据采集与接入层、数据存储与管理层、数据服务层、业务逻辑层。其中，基础设备层包括电池单元、PCS、光伏发电设备、报警器、消防系统和温度传感器；数据采集与接入层包括传感器、BMS、交换机、IO与串口装置、数据接入规范和交流箱测控装置；数据存储与管理层包括数据整编分系统、数据融合分系统和资源管理分系统；数据服务层包括数据特征提取与融合、优化调度、时间序列预测、异常检测和迁移学习；业务逻辑层包括设备运行状态监测、负荷预测、功率预测、能源协同调控、运营数据统计分析和安全事件感知预警。

分布式储能信息化管控与运营平台，具体还包括以下内容：

基础设备与数据采集：通过就地采集和站控采集两种方式采集电池单元、PCS、光伏发电设备等基础设备在实时中产生的海量运行数据，经数据管理系统、储能监管系统等支撑数据的应用与服务。

数据存储管理：接收由数据采集层上传的分布式储能设备的运行数据，通过数据接入整编、数据融合处理、数据资源管理三个子系统实现对数据的汇聚和管理。

安全保障与防护：由于安全防护的需求存在于不同层面，平台针对底层基础设备的物理安全和联网设备的信息与运行安全等多个角度为分布式储能系统提供安全保障。

分布式储能系统基础设备安全防护：通过利用物联网边缘控制器、储能云、温湿度传感器等相关产品，打通BMS、EMS、空调系统、通风系统、消防系统控制网络，构建储能电站消防一体化系统，实现物理安全全景感知与火灾隐患预警告警。

分布式储能系统网络与信息安全防护：在网络层安全防护方面，通过部署代理、网关、防火墙、加密隧道等防护设备，进行边界的检测、管理和控制，并检查往来的信息与协议，将恶意通信与非授权通信排除在外；在应用层安全防护方面，通过身份鉴别、权限管理等模块，控制用户与上层业务模块对服务器、数据库等网络资源的访问。在数据传输过程中，对数据进行信息加密，并可利用k-anonymity、L-Diversity等算法规避同质攻击及背景知识攻击等攻击行为。

安全运营：除上述不同层次的安全保护机制之外，平台还包括安全运营功能。主要采用专家系统检测、基于机器学习的检测两类技术对网络攻击与设备运行异常进行检测。

业务逻辑层：针对实时采集汇聚的分布式储能数据，构建满足用户多样化的统计分析、智能决策等需求的功能模块。

图2为面向分布式储能系统能量预测与调控的流程图，所设计平台以大数据分析技术为底层技术，主要包括以下步骤：

步骤A1：选择目标储能节点，遍历周边储能节点；

步骤A2：对目标储能节点进行目标模型训练，得到专用模型，并进行相关性计算；同时判断是否遍历了全部节点，若否，则一方面进行数据汇聚，训练通用模型，另一方面选择相关性计算策略进行相关性计算；若是，则存储最终模型；

步骤A3：判断步骤A2计算的相关性是否超过阈值；若是，则对步骤A2训练后的通用模型进行初始化；若否，则转到步骤A2中继续判断是否遍历了全部节点，同时进行模型汇聚；

步骤A4：训练基于关联数据源的预测模型，将训练得到的预测模型进行模型汇聚，存储最终模型。

与单一设备的预测不同，平台面向分布式能源场景，对于不同位置、不同类型的发电与用电设备，将数据汇聚后，在预测过程中建模不同数据源的内在关联，能够提升预测准确性。对此，平台在优化预测模型时，通过将所采集的分布式单元历史数据联合作为训练数据，并对各目标单元进行预测时，对其自身数据与其他数据进行加权聚合，建模分布式场景下的数据关联性。本发明所设计平台主要围绕优化分布式储能的运行控制，将预测模块输出的趋势预测结果，与优化控制策略相结合，实现对所控制储能设备的协调控制。应用场景包括计划发电、弃电回收等。计划发电功能将调控系统和功率预测系统所采集的短期和超短期电站调度出力曲线或指令相结合，控制储能蓄电池充放电，使电站输出功率尽可能接近计划出力曲线。弃电回收功能降低电网峰值负荷，在风/光资源条件好的“峰”时段蓄电，在资源条件差时放电，提升能源利用率，增加经济效益。

图3为面向分布式储能系统状态监测与态势感知的流程图，其主要步骤包括：

步骤B1：输入实时储能设备运行数据和历史储能设备运行数据；

步骤B2：针对实时储能设备运行数据进行异常状态检测；针对历史储能设备运行数据判断迭代次数是否达到上限，若是，则直接得到无监督异常检测模型，并训练有监督异常检测模型，若否，则设置无监督异常检测算法和阈值，对候选异常数据进行排序和人工标注，扩充异常状态标签数据，再重新针对历史储能设备运行数据判断迭代次数是否达到上限；

步骤B3：根据步骤B2中得到的无监督异常检测模型和训练后的有监督异常检测模型，设置异常状态判定策略，再进行异常状态检测。

另外，针对时间序列类型的数据，当设备运行异常状态指标较明确时，通过设置异常状态的上下限置信区间进行判断。当异常状态指标难以进行判断时，通过无监督机器学习方法，如训练自编码器，以重构误差作为判定依据，或进行无监督聚类，识别异常点。并可通过交互式方法构建异常数据集以及利用交互式标注方式对无监督方法的候选异常按置信度进行排序，通过人工动态调整筛选阈值，将处于判定边界的样本进行人工标注，提升异常数据标注效率。在运行状态中检测到异常事件，进行实时告警，从而降低人工成本，支撑对分布式储能系统在无人值守环境下的安全运行。

Claims (5)

1.一种分布式储能信息化管控与运营平台架构，其特征在于，所述架构包括基础设备层、数据采集与接入层、数据存储与管理层、数据服务层和业务逻辑层，且每层均设置安全保障和数据资产管理；

所述基础设备层包括电池单元、PCS、光伏发电设备、报警器、消防系统和温度传感器；

所述数据采集与接入层包括传感器、BMS、交换机、IO与串口装置、数据接入规范和交流箱测控装置；

所述数据存储与管理层包括数据整编分系统、数据融合分系统和资源管理分系统；

所述数据服务层包括数据特征提取与融合、优化调度、时间序列预测、异常检测和迁移学习；

所述业务逻辑层包括设备运行状态监测、负荷预测、功率预测、能源协同调控、运营数据统计分析和安全事件感知预警。

2.根据权利要求1所述的分布式储能信息化管控与运营平台架构，其特征在于，所述数据存储与管理层的数据包括事务性SQL数据、NOSQL表格类数据、时序数据和日志型数据。

3.根据权利要求1所述的分布式储能信息化管控与运营平台架构，其特征在于，所述安全保障包括电气安全评估、消防安全评估、入侵检测、注入攻击检测、访问控制、加密机制、安全态势感知和用户权限管理；

所述数据资产管理包括数据标准管理、数据质量管理、数据资源目录、数据生命周期、数据权限管理、数据处理清洗、专家规则库管理和算法模型库管理。

4.根据权利要求1所述的分布式储能信息化管控与运营平台架构，其特征在于，所述业务逻辑层中负荷预测、功率预测和能源协同调控具体包括以下步骤：

步骤A1：选择目标储能节点，遍历周边储能节点；

步骤A2：对目标储能节点进行目标模型训练，得到专用模型，并进行相关性计算；同时判断是否遍历了全部节点，若否，则一方面进行数据汇聚，训练通用模型，另一方面选择相关性计算策略进行相关性计算；若是，则存储最终模型；

步骤A3：判断步骤A2计算的相关性是否超过阈值；若是，则对步骤A2训练后的通用模型进行初始化；若否，则转到步骤A2中继续判断是否遍历了全部节点，同时进行模型汇聚；

步骤A4：训练基于关联数据源的预测模型，将训练得到的预测模型进行模型汇聚，存储最终模型。

5.根据权利要求1所述的分布式储能信息化管控与运营平台架构，其特征在于，所述业务逻辑层中设备运行状态监测和安全事件感知预警具体包括以下步骤：

步骤B1：输入实时储能设备运行数据和历史储能设备运行数据；

步骤B2：针对实时储能设备运行数据进行异常状态检测；针对历史储能设备运行数据判断迭代次数是否达到上限，若是，则直接得到无监督异常检测模型，并训练有监督异常检测模型，若否，则设置无监督异常检测算法和阈值，对候选异常数据进行排序和人工标注，扩充异常状态标签数据，再重新针对历史储能设备运行数据判断迭代次数是否达到上限；

步骤B3：根据步骤B2中得到的无监督异常检测模型和训练后的有监督异常检测模型，设置异常状态判定策略，再进行异常状态检测。

Images